Leash Bio 的 Ian Quigley 谈 DEL 数据、Hermes 模型与智能体科学推理沙盒 Minos
Leash Bio 用 DNA 编码化合物库（DEL）为每个分子加数十条条形码，提取出适合大规模建模的干净可复现数据，并训练出仅用自家数据的 Hermes，在公开基准上追平 Boltz。
#开源/仓库
Latent SpaceAI 评分4848 Hugging Face Blog精选AI 评分6262 Ai2 发布 HiRO-ACEv2，以约 1/300 成本生成全球 3 km 气候数据
Ai2 发布 HiRO-ACE 系统更新 HiRO-ACEv2，其新降尺度模型 HiROv2 可同时预测多种高分辨率气象场，并提升极端事件预测能力。在给定粗化的 X-SHiELD 数据时，它对最稀有事件的模拟统计量与目标模拟的偏差在 3% 以内，还能估算热带气旋总能量并生成具有真实风眼和雨带的飓风。
推荐理由：原文给出极端天气模拟的精度与成本对比，读者可据此判断 AI 气候模拟在科研数据生成上的可用边界。
The Verge · AIAI 评分6262 微软开源 PBC 工具，用机器学习提升 2 至 6 周天气预报精度
微软研究院提出概率偏差校正（PBC）方法，用机器学习识别并修正现有天气预报模型的系统性偏差，相关成果发表在 Nature 上，工具已开源。研究显示，PBC 将 ECMWF 领先物理模型在 98% 降水目标和 92% 温度目标上的精度提升，并使其 AI 预报系统的准确率翻倍。该方法可仅靠 CPU 运行，研究者希望资源有限的气象机构也能借此改进预报。
Hugging Face Blog精选AI 评分6060 Nemotron 微调后在 IOI 2026 与 IMO 2026 均达金牌水平
英伟达团队从 Nemotron 3 出发，用 SFT、RL 和生成-验证-改进的推理流程打造专业模型，在 IOI 2026 与 IMO 2026 双双达到金牌线。
推荐理由：原文公开了从 Nemotron 3 微调到 IOI、IMO 金牌级成绩的完整配方与数据集，可迁移到其他专业领域。
Google DeepMind精选AI 评分6666 Google DeepMind 推出 SynthID Bio，为 AI 生成蛋白质嵌入水印
Google DeepMind 推出 SynthID Bio，将水印技术引入合成生物学，把不可感知的签名直接嵌入生物代码，使水印不仅能在数字模型上验证，也能在合成出的实体蛋白质上验证，同时保持其生物功能。
推荐理由：SynthID 水印从图像扩展到合成生物学，读者可了解 AI 生成蛋白质如何在保留功能的前提下被标记与筛查。
Microsoft Research精选AI 评分6262 微软研究院：物理 AI 机器人推理卸载研究与工具链
微软研究院对移动操作机器人工作负载做了系统性测量，发现把物理 AI 推理从机器人端侧 GPU 卸载到边缘或云端 GPU，可提升任务成功率、支持更大模型并延长续航。
推荐理由：微软研究院系统测量了机器人端侧推理与卸载到边缘或云端 GPU 的差异，并给出可复用的 Kubernetes 卸载工具链。
Microsoft ResearchAI 评分5252 微软研究院在 Nature 发表 RetroChimera，提升小分子合成路线预测
微软研究院在 Nature 发表逆向合成模型 RetroChimera，它结合 Transformer 模型 R-SMILES 2 与基于 GNN 的 NeuralLoc，用学习式排序整合两者预测。
Berkeley AI Research精选AI 评分6262 从 CUDA 到 MLX：K-Search 如何把内核优化经验迁移到 Apple Silicon
Berkeley AI Research 与 IBM Research 将进化式内核搜索框架 K-Search 扩展到 MLX，通过结构化的 CUDA 到 MLX 翻译层，让已有 CUDA 内核经验适配 Apple Silicon。
推荐理由：原文给出 CUDA 到 MLX 的翻译层设计与两组内核实测数据，可了解跨硬件迁移优化知识的具体做法。
Berkeley AI ResearchAI 评分3535 Berkeley AI Research 提出 SPEX 与 ProxySPEX：大规模识别 LLM 关键交互
Berkeley AI Research 提出 SPEX 与 ProxySPEX 算法，用于在大规模 LLM 中识别驱动模型输出的关键交互。SPEX 利用稀疏性与低阶性把交互搜索转化为稀疏恢复问题，ProxySPEX 进一步借助层级结构，以约 10 倍更少的消融达到 SPEX 的性能。
Berkeley AI ResearchAI 评分2828 Berkeley AI Research 提出基于信息量的成像系统设计框架，NeurIPS 2025 论文验证四大成像领域
Berkeley AI Research 提出一种直接评估和优化成像系统信息量的框架，仅用含噪测量和噪声模型估计互信息，可预测解码器性能。该框架在彩色摄影、射电天文学、无透镜成像和显微镜四个领域验证有效，优化后的设计达到 SOTA 端到端方法水平，同时所需内存和算力更少，且无需任务专用解码器设计。相关论文发表于 NeurIPS 2025。